3: Deep Learning for Computer Vision – Building Convolutional Neural Networks from Scratch

Ce cours magistral du MIT OpenCourseWare offre une introduction solide et pédagogique aux concepts fondamentaux du deep learning, en particulier pour la construction de réseaux de neurones avec Keras. La valeur des informations est élevée : l’instructeur, Rama Ramakrishnan, explique avec clarté des notions souvent confuses comme les epochs, les batchs et la descente de gradient stochastique. Il prend soin de répondre aux questions des étudiants, ce qui renforce la compréhension. L’argumentation est solide, s’appuyant sur des exemples concrets (données de maladie cardiaque) et des analogies pertinentes. La rigueur scientifique est bonne : les concepts sont présentés de manière précise, sans simplification excessive, et l’instructeur insiste sur l’importance de comprendre les détails pour innover. Les sources sont institutionnelles (MIT OpenCourseWare), ce qui garantit une certaine fiabilité. Cependant, on peut noter quelques limites : la transcription est partielle, avec des coupures audio, ce qui peut nuire à la complétude. De plus, la première partie du cours est davantage axée sur les MLP que sur les CNN, alors que le titre annonce spécifiquement la vision par ordinateur. L’adéquation titre/contenu est donc partielle, mais cela n’affecte que légèrement la note globale. Enfin, le cours ne fournit pas de démonstration mathématique approfondie, mais cela est cohérent avec son objectif pratique. Dans l’ensemble, il s’agit d’une ressource de qualité pour les apprenants intermédiaires souhaitant consolider leurs bases en deep learning.

Le titre annonce la construction de CNN à partir de zéro, mais la première moitié du cours est consacrée à la construction d'un MLP pour la classification binaire (maladie cardiaque) et la seconde moitié introduit les CNN. L'adéquation est partielle, car le titre est plus spécifique que le contenu réel.

8/10

Cours de niveau universitaire (MIT OpenCourseWare) dispensé par un instructeur expert, avec une explication pédagogique rigoureuse des concepts fondamentaux (epochs, batchs, SGD, overfitting, early stopping). Les sources sont institutionnelles (MIT OCW) et le contenu est cohérent avec les pratiques standard en deep learning. Quelques limites : pas de démonstration formelle des mathématiques sous-jacentes, et la transcription est partielle (coupures audio).

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction et récapitulatif du flux d'entraînement d'un réseau de neurones.
• 05:00Explication de la descente de gradient stochastique (SGD) et des notions d'epoch et de batch.
• 10:00Discussion sur le nombre de batches par epoch et le choix de la taille de batch.
• 15:00Introduction au sur-apprentissage (overfitting) et au sous-apprentissage (underfitting).
• 20:00Présentation de l'early stopping comme technique de régularisation, citant Geoff Hinton.
• 25:00Début de la construction d'un modèle Keras dans Colab pour le problème de maladie cardiaque.
• 30:00Explication de la compilation du modèle et de l'optimiseur.
• 35:00Transition vers la vision par ordinateur et introduction aux CNN.
• 40:00Construction d'un CNN à partir de zéro dans Colab.
• 45:00Discussion sur l'importance des couches convolutives et de pooling.

• MIT OpenCourseWare - 15.773 Hands-On Deep Learning Spring 2024 — Page du cours complet, mentionnée dans la description.
• Playlist YouTube du cours — Lien vers la playlist complète des vidéos du cours.
• Conditions d'utilisation du MIT OCW — Lien vers les conditions d'utilisation, mentionné dans la description.
• Politique de commentaires du MIT OCW — Lien vers la politique de commentaires, mentionné dans la description.
• Soutien au MIT OCW — Lien de soutien au MIT OpenCourseWare, mentionné dans la description.

• MIT OpenCourseWare - 15.773 Hands-On Deep Learning Spring 2024 — Page officielle du cours, source primaire de la vidéo.